中國是一個農(nóng)業(yè)大國,農(nóng)業(yè)是支撐國家經(jīng)濟建設(shè)的基礎(chǔ)性產(chǎn)業(yè),所以提高農(nóng)作物產(chǎn)量,提升農(nóng)業(yè)生產(chǎn)水平是重中之重。但是由于自然環(huán)境、農(nóng)作物自身的自然屬性等因素,導致農(nóng)作物病害頻發(fā),嚴重影響了農(nóng)作物的品質(zhì)和產(chǎn)量。為此,對農(nóng)作物病害進行及時準確的診斷對我國農(nóng)業(yè)發(fā)展有重大意義。目前我國農(nóng)作物病害診斷的主要方式仍然是人工識別的方法,以人的經(jīng)驗為中心,對農(nóng)作物病害種類進行主觀判斷。由于我國現(xiàn)在大部分農(nóng)業(yè)生產(chǎn)者都缺乏專業(yè)知識,很容易對病害種類造成誤判,進而錯誤用藥,起不到防治效果,還會造成土壤污染。此外我國農(nóng)業(yè)生產(chǎn)分散,但是農(nóng)業(yè)專家數(shù)量少,專業(yè)人員無法保證可以及時為農(nóng)業(yè)生產(chǎn)者提供技術(shù)支持,進而延誤了防治病害的最佳時機,造成不可挽回的經(jīng)濟損失。近年來,隨著計算機視覺技術(shù)和圖像處理技術(shù)的發(fā)展,使得通過農(nóng)作物病害圖像進行農(nóng)作物病害的診斷成為可能。通過對農(nóng)作物病害圖像中病害部位（果實、葉片等）的檢測,進而判斷病害種類。本文利用區(qū)域神經(jīng)網(wǎng)絡模型Faster R-CNN對農(nóng)作物病害圖像分別進行檢測,識別出圖像中病害的種類并準確定位作物發(fā)病部位。此外,又利用區(qū)域卷積神經(jīng)網(wǎng)絡模型Mask R-CNN對農(nóng)作物病害圖像中的目標... 

【文章來源】：山東師范大學山東省

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

實際環(huán)境中農(nóng)作物病害圖像示例

山東師范大學碩士學位論文102所示。圖1-2經(jīng)典卷積神經(jīng)網(wǎng)絡架構(gòu)假設(shè)用表示卷積神經(jīng)網(wǎng)絡中第層的特征圖。（1）輸入層。輸入層是卷積神經(jīng)網(wǎng)絡的輸入，對于處理圖像的網(wǎng)絡來說，輸入就是圖像的像素矩陣，用一個三維矩陣表示，假設(shè)為（=）。中的長和寬分別代表了圖像的大小，深度則代表了圖像的通道數(shù)。從輸入層開始，網(wǎng)絡通過不同的卷積層對三維矩陣進行計算，將上一層的三維矩陣轉(zhuǎn)化為下一層的三維矩陣。（2）卷積層。卷積層中利用卷積核對本層的輸入（也就是上一層的輸出特征圖）進行卷積操作，用來提取圖像特征。的產(chǎn)生過程可以表示為：=(+)（1-1）其中，表示第層中卷積核的權(quán)重；“”表示卷積核對進行卷積操作；表示偏移向量；卷積輸出與相加，通過非線性映射函數(shù)()得到。每個卷積核每次只對輸入上的一小塊進行計算，卷積核的大小是人工設(shè)定的。卷積層將輸入中的每一個小塊進行計算以獲得更加抽象，同時目標指向性也更明確的特征。一般情況下，通過卷積層的處理，矩陣的深度會增加。（3）池化層。池化層主要用來減小矩陣的尺寸，將高分辨率的圖像轉(zhuǎn)化為低分辨率的圖像，也可以用來降維，即降低矩陣的通道數(shù)。主要方式有最大池化和平均池化。通過池化層，可以減少最后全連接層中的參數(shù)。但池化層也會丟失一部分的特征信息，所以本文所用的卷積神經(jīng)網(wǎng)絡中，池化層很少。（4）全連接層。經(jīng)過多次卷積和池化操作后，得到圖像的高維特征，所以用全連接層對特征進行分類。（5）Softmax層。得到當前樣本屬于不同種類的概率分布情況。

山東師范大學碩士學位論文141.4主要研究內(nèi)容與創(chuàng)新點1.4.1主要研究內(nèi)容由國內(nèi)外研究現(xiàn)狀來看，在農(nóng)作物病害識別方面，深度卷積神經(jīng)網(wǎng)絡表現(xiàn)良好。然而，深度卷積神經(jīng)網(wǎng)絡只能對圖像做分類，要求所用的病害圖像中只包含一個發(fā)病部位，如圖1-4中（1）所示。但在實際環(huán)境中拍攝的圖像，如圖1-4中（2）所示，往往包含多種疾病或者多個發(fā)病部位，而深度卷積神經(jīng)網(wǎng)絡只能對圖像進行分類識別，而不能獲得圖像中病變部位的位置，也不能將病變部位與疾病類型一一對應。圖1-4兩種不同性質(zhì)的病害圖像對比在本研究中，對于實際情況下復雜的農(nóng)作物病害圖像，我們使用區(qū)域卷積神經(jīng)網(wǎng)絡模型來解決這些問題。利用區(qū)域卷積神經(jīng)網(wǎng)絡中的FasterR-CNN模型對農(nóng)作物病害圖像進行檢測，準確地識別出圖像中農(nóng)作物病害的種類，并且可以獲得發(fā)病部位的位置。利用MaskR-CNN模型對農(nóng)作物病害圖像進行分割，可以分割出圖像中農(nóng)作物感染區(qū)域的形狀，并標注病害種類。整體研究框架如圖1-5所示。

【參考文獻】：
期刊論文
[1]基于改進Faster RCNN的工業(yè)機器人分揀系統(tǒng)[J]. 孫雄峰,林滸,王詩宇,鄭飂默.  計算機系統(tǒng)應用. 2019(09)
[2]基于Faster-RCNN的交通信號燈檢測與識別[J]. 潘衛(wèi)國,陳英昊,劉博,石洪麗.  傳感器與微系統(tǒng). 2019(09)
[3]基于深度卷積神經(jīng)網(wǎng)絡的水稻病害圖像識別研究[J]. 譚云蘭,歐陽春娟,李龍,廖婷,湯鵬杰.  井岡山大學學報(自然科學版). 2019(02)
[4]基于卷積神經(jīng)網(wǎng)絡和小樣本的茶樹病害圖像識別[J]. 孫云云,江朝暉,董偉,張立平,饒元,李紹穩(wěn).  江蘇農(nóng)業(yè)學報. 2019(01)
[5]基于Mask R-CNN的艦船目標檢測研究[J]. 吳金亮,王港,梁碩,陳金勇,高峰.  無線電工程. 2018(11)
[6]基于改進特征金字塔的Mask R-CNN目標檢測方法[J]. 任之俊,藺素珍,李大威,王麗芳,左健宏.  激光與光電子學進展. 2019(04)
[7]基于改進Fast R-CNN的紅外圖像行人檢測研究[J]. 車凱,向鄭濤,陳宇峰,呂堅,周云.  紅外技術(shù). 2018(06)
[8]一種基于Faster R-CNN的車輛檢測算法[J]. 韓凱,張紅英,王遠,徐敏.  西南科技大學學報. 2017(04)
[9]基于多任務學習及Faster R-CNN的SAR目標圖像識別分類[J]. 王烈,秦偉萌,羅文.  科學技術(shù)與工程. 2017(35)
[10]基于Faster R-CNN的食品圖像檢索和分類[J]. 梅舒歡,閔巍慶,劉林虎,段華,蔣樹強.  南京信息工程大學學報(自然科學版). 2017(06)

博士論文
[1]基于計算機視覺的農(nóng)作物病害識別方法的研究[D]. 宋凱.沈陽農(nóng)業(yè)大學 2008
[2]基于支持向量機的植物病害識別研究[D]. 任東.吉林大學 2007
[3]基于圖像識別的作物病蟲草害診斷研究[D]. 王克如.中國農(nóng)業(yè)科學院 2005

碩士論文
[1]番茄病害圖像數(shù)據(jù)庫構(gòu)建方法研究[D]. 黃志豪.華南農(nóng)業(yè)大學 2016
[2]基于圖像識別的向日葵葉部病害診斷技術(shù)研究[D]. 越鮮梅.內(nèi)蒙古工業(yè)大學 2013
[3]基于近紅外光譜技術(shù)的水稻葉部病害診斷模型構(gòu)建[D]. 王曉麗.中國農(nóng)業(yè)科學院 2011
[4]基于圖像識別的作物病害診斷研究[D]. 耿英.中國科學技術(shù)大學 2009



本文編號：2974887